• Aucun résultat trouvé

Analyse d’information tridimensionnelle issue de systèmes multi-caméras pour la détection de la chute et l’analyse de la marche

N/A
N/A
Protected

Academic year: 2021

Partager "Analyse d’information tridimensionnelle issue de systèmes multi-caméras pour la détection de la chute et l’analyse de la marche"

Copied!
166
0
0

Texte intégral

(1)

1

Université de Montréal Université Européenne de Bretagne Institut de génie biomédical Laboratoire Mouvement Sport Santé - EA 1274

Analyse d’information tridimensionnelle issue de

systèmes multi-caméras pour la détection de la chute

et l’analyse de la marche

Par

Edouard Auvinet Pour obtenir le grade de

Docteur de l’Université de Montréal Docteur de l’Université Rennes 2 Discipline génie biomédical Discipline Sciences et Techniques

des Activitées Physiques et Sportives (STAPS)

Juin 2012

c

(2)
(3)

3

Université de Montréal Université Européenne de Bretagne Institut de génie biomédical Laboratoire Mouvement Sport Santé - EA 1274

Cette thèse intitulée :

Analyse d’information tridimensionnelle issue de

systèmes multi-caméras pour la détection de la chute

et l’analyse de la marche

Présentée par Edouard Auvinet

a été évaluée par un jury composé des personnes suivantes : Maxime Raison Président-rapporteur

Jean Meunier Co-directeur (Québec) Franck Multon Co-directeur (France) Monique Thonnat Examinatrice externe (France)

Robert Bergevin Examinateur externe (Québec) Josette Noël Représentante de la doyenne

(4)
(5)

5

Je dédie cette thèse :

À ma Mère,

(6)
(7)

7

"La racine carrée de la Vérité, c’est l’Amour".

(8)
(9)

9

Remerciements

Une thèse de doctorat est un travail personnel . . . qui se fait en équipe.

Je souhaite remercier chaleureusement toutes les personnes qui de près ou de loin m’ont aidé à réaliser cette expérience scientifique, humaine et personnelle.

Le fruit de ces 5 années et demie que représente ce manuscrit n’aurait jamais abouti et mûrit sans l’aide, les conseils et le soutien de mes deux directeurs de thèse Jean Meunier et Franck Multon. Je leur en suis infiniment reconnaissant.

Je remercie le jury pour leur relecture et leurs commentaires très intéressants.

Je souhaite remercier Paul Delamarche de m’avoir accueilli au laboratoire du M2S. Je remercie les membres du laboratoire de Rennes 2 pour leur accueil, en particulier l’équipe de biomécanique.

Je remercie l’équipe du laboratoire de traitement d’image et de vision 3D du départe-ment d’informatique et de recherche opérationnelle pour leur accueil.

Je remercie le support informatique du DIRO, pour leur joie et leurs rigolades même lorsque l’alarme sonne...

Je remercie toute l’équipe d’Axper avec qui j’ai partagé une expérience extra-ordinaire. Je remercie les organismes ANRT et MITACS pour leur soutien financier et les entre-prises partenaires Axper et les ateliers de la marche.

Il en va de même pour toutes les équipes des deux universités qui ont permis de régler les questions administratives. En effet, faire une cotutelle avec une bourse CIFRE n’est pas très simple, grâce à leur aide et leur compétence nous avons réussi.

Je remercie tous mes amis qui m’ont supporté pendant toutes ces années et de m’avoir apporté la lumière dans les périodes les plus sombres.

Merci Monia pour ces deux fabuleuses années.

Je remercie Pierre Constantin pour tous ses précieux conseils. Большое спасибо Наталии за Вашу поддержку и помощь Je remercie ma Mère, mon Père et mes Frères de tout mon coeur.

(10)
(11)

11

Résumé

Cette thèse s’intéresse à définir de nouvelles méthodes cliniques d’investigation per-mettant de juger de l’impact de l’avance en âge sur la motricité. En particulier, cette thèse se focalise sur deux principales perturbations possibles lors de l’avance en âge : la chute et l’altération de la marche.

Ces deux perturbations motrices restent encore mal connues et leur analyse en cli-nique pose de véritables défis technologiques et scientifiques. Dans cette thèse, nous proposons des méthodes originales de détection qui peuvent être utilisées dans la vie courante ou en clinique, avec un minimum de contraintes techniques.

Dans une première partie, nous abordons le problème de la détection de la chute à domicile, qui a été largement traité dans les années précédentes. En particulier, nous pro-posons une approche permettant d’exploiter le volume du sujet, reconstruit à partir de plusieurs caméras calibrées. Ces méthodes sont généralement très sensibles aux occul-tations qui interviennent inévitablement dans le domicile et nous proposons donc une approche originale beaucoup plus robuste à ces occultations. L’efficacité et le fonction-nement en temps réel ont été validés sur plus d’une vingtaine de vidéos de chutes et de leurres, avec des résultats approchant les 100% de sensibilité et de spécificité en utilisant 4 caméras ou plus.

Dans une deuxième partie, nous allons un peu plus loin dans l’exploitation des vo-lumes reconstruits d’une personne, lors d’une tâche motrice particulière : la marche sur tapis roulant, dans un cadre de diagnostic clinique. Dans cette partie, nous analysons plus particulièrement la qualité de la marche. Pour cela nous développons le concept d’utilisa-tion de caméras de profondeur pour la quantificad’utilisa-tion de l’asymétrie spatiale au cours du mouvement des membres inférieurs pendant la marche. Après avoir détecté chaque pas dans le temps, cette méthode réalise une comparaison de surfaces de chaque jambe avec sa correspondante symétrique du pas opposé. La validation effectuée sur une cohorte de 20 sujets montre la viabilité de la démarche.

Mots clés

(12)

Abstract

This thesis is concerned with defining new clinical investigation method to assess the impact of ageing on motricity. In particular, this thesis focuses on two main possible disturbance during ageing : the fall and walk impairment.

This two motricity disturbances still remain unclear and their clinical analysis pre-sents real scientist and technological challenges. In this thesis, we propose novel measu-ring methods usable in everyday life or in the walking clinic, with a minimum of technical constraints.

In the first part, we address the problem of fall detection at home, which was widely discussed in previous years. In particular, we propose an approach to exploit the subject’s volume, reconstructed from multiple calibrated cameras. These methods are generally very sensitive to occlusions that inevitably occur in the home and we therefore propose an original approach much more robust to these occultations. The efficiency and real-time operation has been validated on more than two dozen videos of falls and lures, with results approaching 100 % sensitivity and specificity with at least four or more cameras.

In the second part, we go a little further in the exploitation of reconstructed volumes of a person at a particular motor task : the treadmill, in a clinical diagnostic. In this section we analyze more specifically the quality of walking. For this we develop the concept of using depth camera for the quantification of the spatial and temporal asymmetry of lower limb movement during walking. After detecting each step in time, this method makes a comparison of surfaces of each leg with its corresponding symmetric leg in the opposite step. The validation performed on a cohort of 20 subjects showed the viability of the approach.

Key words

(13)

13

Table des matières

1 Introduction 17

1.1 Systèmes mis en jeu dans le mouvement de la marche . . . 21

1.1.1 Le système musculo-squelettique . . . 21

1.1.2 Le système nerveux . . . 22

1.2 Le mouvement de la marche . . . 23

1.3 L’impact de la pathologie sur la marche . . . 25

1.4 Relation entre la marche, l’âge et la chute . . . 26

1.5 Objectifs des travaux de la thèse . . . 27

I Étude de la chute 29 2 Détection de la chute 31 2.1 Relation entre l’âge et la chute . . . 33

2.2 Quelques chiffres . . . 34

2.3 État de l’art . . . 34

2.3.1 Appareil d’alerte des secours en cas de chute . . . 34

2.3.2 Dispositif de détection de chute automatique . . . 35

2.4 Problématique . . . 40

2.5 Méthode . . . 40

2.5.1 Mode de représentation du volume . . . 42

2.5.2 Discussion du choix de représentation du volume . . . 45

2.5.3 Le calibrage . . . 45

2.5.4 Mise en œuvre . . . 48

(14)

3 Détection de la chute avec un système multi-caméras résistant aux occultations 51

3.1 abstract . . . 54

3.2 Introduction . . . 54

3.3 Method . . . 57

3.3.1 Camera level . . . 57

3.3.2 Data fusion level . . . 61

3.3.3 Fall detection level . . . 62

3.4 Materials and experiments . . . 63

3.4.1 Experimental set-up . . . 64 3.4.2 Fall scenarios . . . 64 3.4.3 Data analysis . . . 65 3.4.4 Statistical analysis . . . 67 3.5 Results . . . 68 3.5.1 VVDR behavior . . . 68 3.5.2 Real-time implementation . . . 69 3.6 Discussion . . . 69 3.7 Conclusions . . . 74

4 Discussion sur la chute 77 4.1 Commentaires sur la résistance à l’occultation . . . 79

4.2 Propositions d’amélioration . . . 79

4.2.1 Amélioration de l’étape de calibrage . . . 80

4.2.2 Amélioration de l’algorithme de segmentation . . . 80

4.2.3 Utilisation de caméras de profondeur . . . 82

4.3 Conclusion . . . 82

II Étude de la marche 85 5 Analyse de la marche à partir d’une carte de profondeur 87 5.1 Introduction . . . 89

5.2 Paramètres cliniques de la marche . . . 91

5.3 La mesure quantitative de la marche . . . 93

5.3.1 Mesure du mouvement monopoint . . . 94

5.3.2 Mesure du mouvement multipoints . . . 96

(15)

15

5.4 Mesure de la marche à l’aide de caméras . . . 103

5.4.1 Système mono-caméra . . . 104

5.4.2 Système multi-caméras . . . 105

5.5 Système utilisant une caméra de profondeur . . . 107

5.5.1 Système stéréoscopique . . . 107

5.5.2 Structure temporelle . . . 108

5.5.3 Structure spatiale . . . 109

5.6 Utilisation des caméras de profondeur pour l’étude de la marche . . . 112

5.7 Conclusions . . . 114

6 Mesure de l’asymétrie des membres inférieurs avec une caméra de profondeur115 6.1 abstract . . . 118

6.2 Introduction . . . 118

6.3 Previous works . . . 120

6.4 Method . . . 121

6.4.1 Depth map pretreatment . . . 122

6.4.2 Key depth maps . . . 123

6.4.3 Key depth map analysis for asymmetry measurement . . . 124

6.5 Experimentation and validation . . . 126

6.5.1 Experimentation . . . 126

6.5.2 Validation . . . 128

6.6 Results . . . 128

6.7 Discussion . . . 130

6.8 Conclusion . . . 133

7 Discussion sur la mesure des paramètres de la marche 135 7.1 Mesure d’un index de la marche sans modèle biomécanique . . . 137

7.2 Problème dû au capteur . . . 139

7.2.1 Erreur due au codage de la profondeur . . . 139

7.2.2 Erreur due au principe de mesure de la profondeur . . . 141

7.3 Amélioration du protocole expérimental . . . 142

7.4 En route vers la reconstruction 3D . . . 142

(16)

8 Discussion et Conclusion 147 8.1 Contribution pour la communauté scientifique . . . 149

8.2 Contribution pour la communauté médicale . . . 150

(17)

17

Chapitre

1

Introduction

Sommaire

1.1 Systèmes mis en jeu dans le mouvement de la marche . . . 21

1.1.1 Le système musculo-squelettique . . . 21

1.1.2 Le système nerveux . . . 22

1.2 Le mouvement de la marche . . . 23

1.3 L’impact de la pathologie sur la marche . . . 25

1.4 Relation entre la marche, l’âge et la chute . . . 26

(18)
(19)

19

Le corps humain est capable de prouesses motrices très variées et complexes. Pour y parvenir, il est nécessaire de mobiliser près de 600 muscles, 200 os et une centaine d’arti-culations. Pour certains mouvements comme la marche, il en résulte une automatisation lentement acquise [39]. Cette automatisation s’effectue grâce au système nerveux central (SNC) qui intègre les informations provenant des capteurs sensoriels pour coordonner les commandes envoyées au système musculo-squelettique. Cette coordination est primor-diale et dépend du bon fonctionnement général du SNC. Dès lors, si l’un de ces systèmes vient à faillir, le mouvement, en tant que résultante, est affecté. Les défaillances peuvent être le fait de causes très multiples, dont un grand nombre sont plus ou moins directe-ment dues à l’avance en âge.

Ces dernières décennies, du fait des améliorations de la médecine, la part de la po-pulation des seniors dans les pays développés augmente de manière significative. L’un des effets associés au vieillissement est une régression du SNC (avec les pathologies pou-vant être associées, comme Parkinson ou Alzheimer) et du système musculo-squelettique (avec les pathologies associées : arthrose, ostéoporose ...). Il en résulte alors une perte de la qualité du mouvement, que l’on observe tout particulièrement pour la marche et qui peut conduire, dans certains cas, jusqu’à la chute. Ainsi, la mesure de la qualité de la marche permet de qualifier le bon fonctionnement des différents systèmes nécessaires au contrôle du mouvement, en général. Ainsi par une mesure quantitative des paramètres de la marche, il peut être possible de diagnostiquer certaines pathologies ou encore de suivre leur évolution.

Globalement, pour effectuer ces diagnostics cliniques, on peut regrouper les ap-proches en deux grandes familles :

– la mesure d’un paramètre en particulier, en un point de mesure, qui permet d’avoir une variable unique représentant l’état global du système. C’est le cas des mesures de type accélérométrique qui ont été utilisées pour quantifier l’irrégularité de la marche [16] ou bien encore pour détecter la chute d’une personne [28].

– les mesures en de multiples points, comme les systèmes opto-électroniques impli-quant la pose d’un groupe de marqueurs sur des repères anatomiques. Dans ce cas, on fait l’hypothèse que l’information pertinente peut être répartie à différents lieux géographiques du corps, conduisant à des index globaux combinant plusieurs cri-tères locaux [41]. Généralement, la localisation de ces points de mesure est liée à un modèle sous-jacent, qui a été défini en fonction des hypothèses initiales sur les paramètres à observer (généralement les principales articulations mises en jeu).

(20)

De ces deux approches sont nés un grand nombre de systèmes de mesures et d’index quantifiés qui reposent donc sur un échantillonnage plus ou moins fin du corps humain. D’un côté, les systèmes mono-point permettent de manipuler un paramètre unique, mais risquent de passer à côté d’informations locales très pertinentes. D’un autre côté, les systèmes multipoints tiennent compte d’un grand nombre de paramètres (déterminés à l’avance) mais rendent difficile l’analyse en raison de la taille du vecteur d’état manipulé.

Dans le domaine biomédical, l’un des grands défis est de définir le jeu minimal de paramètres (et la méthode de mesure associée) permettant d’effectuer un diagnostic per-tinent du système de contrôle de la motricité. Dans cette thèse en génie biomédical, nous proposons de manipuler un échantillonnage beaucoup plus fin du corps humain (aller au-delà des quelques repères anatomiques utilisés dans les systèmes multipoints), mul-tipliant les points de mesure, tout en ne retournant que l’information pertinente pour l’analyse clinique de la motricité. Pour cela, nous mettons en œuvre un nouveau type de mesure fondé sur l’enveloppe tridimensionnelle du sujet que nous illustrons dans deux applications complémentaires : la détection de la chute et la mesure des troubles de la marche.

En plus des aspects fondamentaux, il est important de rappeler que cette thèse s’est effectuée dans le cadre d’une convention Cifre qui implique un partenaire industriel et, donc, des résultats pratiques pouvant être facilement transférables. Dans le cas de cette thèse, l’industriel est une clinique, les "Ateliers de la marche", qui demande donc une portée clinique à ces recherches. Les méthodes abordées dans cette thèse doivent donc tenir compte de ces contraintes afin de proposer des méthodes facilement utilisables en clinique.

La suite du mémoire se focalise sur le cas particulier de la marche qui est l’un des mouvements les plus étudiés d’un point de vue clinique. Dans un premier temps, nous rappelons les principaux systèmes mis en jeu dans le contrôle de la motricité, et en parti-culier la marche. Nous présentons ensuite la marche d’un point de vue général, et com-ment les principales pathologies liées à l’avance en âge peuvent l’affecter. De là, nous donnons les principaux objectifs de la thèse et présentons plus précisément le plan du mémoire.

(21)

21

1.1

Systèmes mis en jeu dans le mouvement de la marche

La marche est un mouvement quotidien, que l’on acquiert dès le plus jeune âge, mais qui fait intervenir de nombreux processus de contrôle. Dans cette section, nous décri-vons les deux principaux systèmes mis en jeu dans le contrôle de la marche : le système musculo-squelettique qui fait référence à des capacités motrices, et le système nerveux qui le pilote.

1.1.1 Le système musculo-squelettique

Le corps humain est doté d’une structure solide grâce aux os et mobile grâce aux articulations qui les relient. Cette ossature peut être décomposée en un ensemble de seg-ments tels que le pied, la jambe, la cuisse, le bassin, le tronc, le bras, l’avant-bras, la main et la tête. Les articulations agissent comme des liaisons mécaniques (généralement des rotules) laissant un certain degré de liberté de mouvement.

Les muscles agissent sur le squelette en lui appliquant des forces aux différents points d’insertion. Ils ne peuvent agir qu’en contraction le long de la ligne reliant deux points d’insertion, ou des points de passage sur le squelette [45]. Le principe de fonctionnement consiste à resserrer le chevauchement de fibres d’actine et de myosine situées au cœur des cellules musculaires, comme illustré sur la figure1.1.

Pour pouvoir effectuer un mouvement, deux muscles antagonistes sont placés de part et d’autre de l’articulation pour, alternativement exercer un moment de force sur celle-ci, favorisant ou luttant contre le mouvement. La mise en mouvement est due au résul-tat non nul du bilan des moments de force au centre de rorésul-tation. Au-delà des simples muscles agonistes et antagonistes, chaque articulation est associée à un ensemble de muscles, dont certains sont mono-articulaires, et d’autres agissent conjointement sur plu-sieurs articulations. Le système est dit redondant, car il existe une multitude de coordina-tions musculaires entraînant le même effet sur l’articulation. C’est la variation du nombre de petits groupes musculaires redondants recrutés qui permet de faire varier l’intensité de la force exercée. La nécessité de contrôler efficacement la contraction de chaque muscle est très importante pour permettre d’effectuer le mouvement désiré, c’est le rôle du sys-tème nerveux.

(22)

FIGURE1.1 – Schéma de description du muscle. Source Wikipedia

1.1.2 Le système nerveux

Le système nerveux a pour objectif de mesurer, véhiculer et intégrer l’information. Pour cela il se décompose en deux parties, le système nerveux périphérique (SNP) et le système nerveux central (SNC). Le premier amène les informations des capteurs sen-soriels vers le système nerveux central et de celui-ci aux muscles. Le système nerveux central intègre les données afférentes, les analyse puis élabore des commandes qui sont ensuite envoyées au système nerveux périphérique pour être relayées aux muscles.

Pour contrôler efficacement un mouvement, le système nerveux central se fonde sur des informations internes et externes. Les informations internes proviennent des capteurs d’extension qui prennent place directement au niveau des muscles et des ligaments dans le but d’indiquer leur état de tension. On parle alors de proprioception. L’oreille interne, située derrière l’oreille, contient le système vestibulaire qui donne une information sur la direction de la gravité.

Les informations externes proviennent principalement de la vue et des capteurs de pression situés sur la peau et plus particulièrement sous les pieds. Les autres sens peuvent aussi être impliqués, généralement dans une moindre mesure. Le système

(23)

ner-23

veux central traite ces informations pour définir les commandes musculaires nécessaires pour effectuer le mouvement voulu. Dans ces processus de traitement, il existe des boucles de rétroaction qui adaptent la commande musculaire en fonction du déroule-ment du mouvedéroule-ment retourné par le SNP et de la commande.

Un grand nombre de pathologies peuvent affecter la prise d’information, ou une ou plusieurs parties du système SNC ou du SNP. L’effet de ces pathologies est donc visible sur le mouvement, ce qui a conduit à définir de nombreux tests cliniques fondés sur une analyse quantifiée de ces mouvements. C’est ce que nous abordons dans les sections suivantes, en particulier pour le mouvement de marche.

1.2

Le mouvement de la marche

Dans cette thèse, nous abordons le mouvement spécifique de la marche puisqu’il est l’un des plus étudiés en clinique, avec la possibilité de diagnostiquer de nombreuses pa-thologies des systèmes nerveux et musculo-squelettiques. C’est un mouvement destiné à déplacer le corps qui est quasi-périodique. Un cycle de marche est ainsi défini par un intervalle de temps séparant deux événements similaires, comme les deux poses succes-sives du talon gauche. Un pas est alors défini par l’intervalle de temps qui sépare un événement d’un côté du corps avec son homologue du côté opposé, comme l’intervalle entre la pose du talon gauche et du droit. Le cycle de marche se caractérise de trois ma-nières différentes : spatiale, temporelle et fonctionnelle. La description spatiale revient à énumérer les différents évènements qui se succèdent durant un cycle de marche (en nomenclature standard) d’après [165] et [73] (Figure1.2et1.3) :

– Le contact initial du talon droit, début par convention. – Le décollement des orteils opposés

– Le décollement du talon – Le contact initial opposé – Le décollement des orteils – Les pieds adjacents – Le tibia vertical

La description temporelle suit le même schéma et se fonde sur les durées de la phase de double appui (définie par le contact simultané des deux pieds sur le sol, qui intervient entre deux appuis monopodaux), de la phase d’appui monopodal (le pied du côté étudié est en contact avec le sol) et de balancement (où le pied du côté étudié n’est pas en contact

(24)

Initial contact

Opposite toe off

Heel rise

Opposite initial contact Toe off Feet adjacent Tibia vertical Loading Response Mid-Stance Terminal Stance Pre-Swing Initial Swing Mid-Swing Terminal Swing Swing Phase Stance Phase

FIGURE1.2 – Les différentes phases de la marche.

avec le sol) (Figure1.3).

La description fonctionnelle propose d’associer à chacune de ces phases, une réalité biomécanique. Entre le contact initial et le décollement du pied opposé, se trouve la phase de mise en charge où le pied devient un appui et supporte le poids du corps. La période allant du décollement du pied opposé jusqu’au décollement du talon, est la phase initiale de l’appui monopodal (Mid-stance). Elle est associée au balancement du pied opposé jusqu’au dépassement du tibia transformant l’énergie potentielle en énergie cinétique. La phase terminale de l’appui qui commence au décollement du talon et va jusqu’au contact initial du talon opposé est une phase de propulsion (idem de l’autre côté). Durant les phases de simple appui, le corps est dans un état instable. Une coordination efficace des différents membres inférieurs et supérieurs doit être mise en oeuvre pour conserver la posture et éviter la chute. Ceci se traduit par une rotation croisée des ceintures scapulaires et pelviennes (ligne C de la figure1.4).

Le plus souvent, les paramètres utilisés pour caractériser la marche d’un point de vue global sont la longueur et la fréquence du pas. De ces deux grandeurs, il est possible de déduire la vitesse de marche qui est le produit de la longueur et de la fréquence du pas. Pour avoir plus de précision, il est possible d’accéder à d’autres types d’informations : les angles aux articulations, les moments articulaires, les forces de réaction du sol, les ac-tivations musculaires via des systèmes électromyographiques. . . Toutes ces informations peuvent apporter des éléments pour mieux caractériser et quantifier un

(25)

dysfonctionne-25

FIGURE1.3 – Schéma du cycle de la marche (d’après Pélissier, 1994).

ment de tout ou partie du SNC ou du SNP. La difficulté est d’extraire les informations per-tinentes parmi l’ensemble des variables disponibles, ce qui a donné lieu à de nombreux travaux et dont nombre de questions sont encore ouvertes du point de vue scientifique et clinique.

1.3

L’impact de la pathologie sur la marche

Si une pathologie venait à modifier le fonctionnement d’un système mis en jeu dans le contrôle de la motricité, le mouvement s’en retrouve directement affecté. Pour mieux comprendre l’impact de différentes pathologies sur le mouvement de marche, les prin-cipales approches consistent à définir une métrique pour calculer la distance entre les paramètres d’un patient (ou d’un groupe de patients) et une population témoin [41]. Le but recherché dans cette démarche est de quantifier la sévérité et de localiser de la patho-logie du patient.

Prenons l’exemple d’un dysfonctionnement du système musculo-squelettique qui peut être dû à une asymétrie des segments osseux ou à une altération du fonctionnement des articulations, comme de l’arthrose. Dans le premier cas, Gurney relate dans [70], que la longueur du pas de la jambe la plus longue est augmentée par rapport à la jambe la plus courte. Il en est de même pour la durée de chaque pas, plus long pour la jambe la plus longue. En cas d’arthrose [163] le mouvement et les efforts au niveau de l’articula-tion atteinte sont modifiés par rapport à une articulal’articula-tion saine. De même, la cadence, la

(26)

FIGURE1.4 – Posture clé du mouvement de la marche pour un demi-pas (d’après Ducro-quet)

vitesse, la longueur des pas sont diminuées de plus de 20% par rapport à un sujet sain. La durée du double support se retrouve augmentée de 55%. Dans tous ces cas, les pa-ramètres globaux de la marche peuvent suffire à identifier le dysfonctionnement, mais une exploration plus avant des paramètres cinématiques, dynamiques et électromyogra-phiques peut permettre de mieux mesurer l’impact et la gravité d’une pathologie.

Avec l’avance en âge, les pathologies du système nerveux se multiplient et peuvent avoir un effet considérable sur la fonction motrice [85]. Les maladies les plus connues dans ce domaine sont principalement Alzheimer et Parkinson qui provoquent des défor-mations quantifiables de la marche.

1.4

Relation entre la marche, l’âge et la chute

Grâce au progrès de la médecine, la durée de la vie s’est allongée. Malheureusement, la décroissance des capacités locomotrices apparaît avec l’avance en âge, du fait de l’affai-blissement des systèmes mis en jeu, et en particulier musculosquelettique, SNC et SNP. Pour le système musculo-squelettique, les exemples les plus courants sont la dégéné-rescence des tissus musculaires [47], l’arthrose pour les articulations [7] ou encore l’os-téoporose pour les os [65]. Le système nerveux central n’est pas épargné. Les maladies neurodégénératives attaquent les cellules du cerveau provoquant une perturbation de la motricité, et en particulier de l’équilibre [147], ou encore l’apparition des maladies d’Alz-heimer ou de Parkinson [78].

Ainsi, ces troubles de la marche peuvent provoquer chez la personne âgée une perte d’équilibre entraînant la chute. Comme il est présenté plus en détail dans la première

(27)

par-27

tie de cette thèse, les conséquences peuvent être dramatiques lorsque la chute intervient au domicile d’une personne vivant seule. En cas de perte de connaissance, il survient alors une situation de détresse qui ne peut être évitée que par l’utilisation de systèmes automatiques de détection de chute.

Même si détecter la chute est important pour pouvoir porter secours à la personne, il est tout aussi pertinent d’identifier les populations à risque. Ceci peut s’effectuer en menant à bien une analyse quantifiée de la marche qui permet alors de diagnostiquer un dysfonctionnement pouvant entraîner la chute à plus ou moins long terme. Pour toucher un maximum de sujets, il est nécessaire que ces analyses puissent être menées à bien en dehors de grands centres de rééducation ou des hôpitaux. Cet usage en clinique s’accom-pagne de contraintes particulières : mesures simples d’utilisation et systèmes de mesure abordables.

1.5

Objectifs des travaux de la thèse

L’objectif de cette thèse est donc d’explorer une nouvelle approche de l’analyse cli-nique pour le diagnostic de pathologies associées à l’avance en âge. La prévention de la chute et l’analyse quantifiée de la marche sont particulièrement étudiées dans ce travail, car elles correspondent à deux mouvements largement étudiés dans les pathologies liées à l’avance en âge. Pour chacun de ces mouvements, nous dressons un état de l’art des méthodes d’analyse clinique en mettant en évidence la dichotomie qui existe entre sys-tèmes fondés sur un point unique de mesure et ceux en utilisant plusieurs. Comme nous l’avons évoqué dans l’introduction, ces deux approches opposées, ou complémentaires, s’appuient sur un échantillonnage plus ou moins fin du corps du patient étudié. Le défi est de faire apparaître un ensemble très restreint d’informations pertinentes du point de vue clinique, alors que l’information disposée est de grande dimension. Les approches classiques consistent donc à systématiquement fournir les angles aux articulations pour ensuite effectuer des mesures de distance par rapport à une population de référence, ou à définir un ensemble d’indicateurs (dissymétrie, irrégularité, instabilités. . . ).

Contrairement à ces approches qui se fondent sur une connaissance du squelette, et un échantillonnage plus ou moins fin du corps, pour évaluer des angles articulaires, nous proposons dans cette thèse de manipuler des données très finement échantillonnées (le volume ou la surface du sujet au cours du temps). L’idée principale est d’accéder direc-tement à des paramètres cliniques, sans faire d’hypothèses fortes sur le squelette

(28)

sous-jacent. Ainsi, avec cette approche, plus besoin de rechercher les centres articulaires à par-tir d’un jeu de marqueurs, de modéliser les articulations de manière approximative, ou encore de définir des indices reposant sur une combinaison complexe d’angles. Les der-niers travaux de la littérature en biomécanique tels que relatés par Fohanno dans [55], montrent d’ailleurs que ces méthodes d’estimation de trajectoires articulaires étaient for-tement affectées par le jeu de marqueurs choisi, favorisant jusfor-tement un grand nombre de marqueurs par segment pour fiabiliser le résultat. En rupture avec cette recherche de trajectoires articulaires de plus en plus précises, nous proposons de travailler directe-ment sur les critères cliniques et sur leur observabilité dans le volume ou sur la surface tridimensionnelle du patient.

Une première partie s’intéresse donc à détecter la chute en milieu naturel, riche en occultations et en variétés de situations (cf. partieI). Cette première partie se fonde sur un système multi-caméras qui est alors exploité pour reconstruire un volume du patient et fournir un critère robuste de détection de chute. La deuxième partie propose d’utiliser une caméra de profondeur de type Kinect (produit de Microsoft) pour accéder à la surface du patient lors de la locomotion sur tapis roulant. Le critère clinique étudié concerne alors l’asymétrie de la marche d’un point de vue temporel et spatial, sans passer par une estimation d’angles aux articulations (cf. partieII). La thèse se termine par une discussion et une conclusion sur les contributions proposées.

(29)

29

Première partie

(30)
(31)

31

Chapitre

2

Détection de la chute

Sommaire

2.1 Relation entre l’âge et la chute . . . 33

2.2 Quelques chiffres . . . 34

2.3 État de l’art . . . 34

2.3.1 Appareil d’alerte des secours en cas de chute . . . 34

2.3.2 Dispositif de détection de chute automatique . . . 35

2.4 Problématique . . . 40

2.5 Méthode . . . 40

2.5.1 Mode de représentation du volume . . . 42

2.5.1.1 Représentation géométrique du volume . . . 43

2.5.1.2 Représentation voxelique du volume . . . 44

2.5.2 Discussion du choix de représentation du volume . . . 45

2.5.3 Le calibrage . . . 45

2.5.3.1 Calibrage des paramètres des caméras . . . 46

2.5.3.2 Correction de la distorsion . . . 46

2.5.4 Mise en œuvre . . . 48

(32)
(33)

33

Avec l’allongement de la durée de la vie grâce au progrès de la médecine, différents troubles inhérents à l’usure du corps par les années apparaissent de plus en plus. L’un des effets associés au vieillissement est une régression du SNC et du système musculo-squelettique (arthrose, ostéoporose ...), qui peut se manifester par une perte de la qualité de la marche. L’une des conséquences directes est la chute de la personne âgée. En effet, face à l’émergence de cette problématique de santé publique, de nombreux pays indus-trialisés ont initié différents travaux de réflexion pour la prise en charge de ce fléau. Ceux-ci ont rapidement été rejoints par tous les autres pays du globe. Ces travaux de réflexion ont été menés dans tous les secteurs de recherche rattachés au système de santé, que cela soit de l’analyse au niveau épidémiologique, à la prise en charge directement du patient. La synergie de cette réflexion pluridisciplinaire a permis de définir plusieurs référentiels de bonnes pratiques permettant la formation des personnels de santé et l’information des populations.

2.1

Relation entre l’âge et la chute

La dégradation de la démarche du fait de l’âge à été décrite par Prince et al. dans sa revue de littérature [134]. Un premier indice de ce fait se trouve être l’accroissement de l’énergie consommée pour se propulser. En effet, même si la marche est un mouvement complexe, il est exécuté de manière à minimiser la consommation d’énergie [39]. Pour les personnes âgées, la consommation d’oxygène, donc d’énergie est plus importante même si la vitesse de marche est inférieure. Cette perte d’optimalité du mouvement laisse supposer une baisse de qualité des fonctions locomotrices.

Pour mieux comprendre l’effet de l’âge sur la marche, les différents paramètres ont été étudiés en fonction de l’âge. Les différents paramètres de la démarche déclinent avec l’accroissement de l’âge. Par exemple, la vitesse décroît par une réduction de la longueur et de la cadence des pas [134]. De nombreux travaux ont été réalisés dans le but de mieux comprendre les raisons pour lesquelles les aînées venaient à chuter. Tout d’abord, les liens entre la chute et différentes pathologies ont clairement été définis. Par exemple, les patients atteints de la maladie de Parkinson [25], du diabète [116] sont plus enclins à chuter.

(34)

2.2

Quelques chiffres

Chaque année, un tiers des personnes de plus de 65 ans chute [44], plaçant celle-ci comme le sixième facteur de mortalité par blessure de cette tranche d’âge aux États-Unis [120]. Environ 2.2 millions de chutes ont nécessité l’intervention des secours et le quart a entraîné une hospitalisation en 2009 [56], toujours dans ce pays. Ainsi, 40% des chutes sérieuses provoquent une hospitalisation et 30%-40% de ces hospitalisations entraînent un transfert en maison médicalisée [148] et d’après [137], chaque année 12033 hospita-lisations de personnes de plus de 65 ans sont dues à une chute sur la période de 2000 à 2003 aux États-Unis. D’autre part, cet évènement provoque un traumatisme psycholo-gique souvent à l’origine du syndrome de la peur de la chute, qui à lui seul entraîne une perte d’autonomie [121]. En 1995, le coût global des chutes en France a été évalué à plus de 1.07 Me[11]. D’après le centre pour le contrôle des maladies et de la prévention améri-cain (CDC), la chute a coûté 19 milliards de dollars en 2000 et ce coût aurait atteint les 28 milliards en 2010 [156]. Il en résulte que les chutes et leurs conséquences sont identifiées comme l’un des problèmes majeurs de santé publique.

2.3

État de l’art

Pour répondre à ce besoin de santé publique, de nombreux travaux ont été menés dans différents domaines comme la prévention avec l’édition de guide de bonne pratique pour la France [27] et pour le Québec [61] ou encore la recherche de solutions techniques améliorant la sécurité des personnes à domicile. Le but d’une partie des solutions tech-niques consiste à permettre l’appel des services de secours dans le cas où la personne ayant chuté se trouve dans l’incapacité de se relever. Une brève présentation de ces types d’appareils d’alerte va maintenant être proposée.

2.3.1 Appareil d’alerte des secours en cas de chute

Pour permettre à la personne d’alerter les services de secours ou des proches lors-qu’elles ont chuté et lors-qu’elles se trouvent dans l’incapacité de se relever, différentes solu-tions techniques ont été proposées. La première solution immédiate qui a été rapidement mise en œuvre, consiste à équiper la personne d’un dispositif d’appel portatif. Celle-ci se résume à porter un combiné téléphonique ou encore un bouton d’appel en permanence. Il nécessite que la personne soit toujours consciente après la chute, car malheureusement, en cas de perte de connaissance, il est impossible à la personne de déclencher l’alerte.

(35)

35

C’est pourquoi de nombreux travaux ont été mis en œuvre pour trouver le moyen de détecter automatiquement la chute sans l’intervention du sujet. Pour cela, différents types d’information et de technologie ont été mis à profit.

2.3.2 Dispositif de détection de chute automatique

Pour détecter la chute, différentes mesures physiques caractérisant la chute ont été mises à profit. Les caractéristiques de la chute recherchées sont parmi les informations d’évolution de paramètres spatiaux au cours du temps (position, vitesse, accélération), de l’interaction du sujet avec son environnement (par exemple l’impact avec le sol) ou encore de l’information audio (détection des cris).

Dans [166], Wu a défini des paramètres qui permettent de distinguer les chutes des activités quotidiennes. Principalement, la chute se distingue par des vitesses verticales et horizontales deux à trois fois supérieures à la vitesse normale et dans la plupart des cas l’augmentation de ces deux vitesses se fait de manière synchrone 300 à 400 millisecondes avant l’impact au sol.

On peut séparer en deux groupes les appareils de détection automatique de la chute. Le premier groupe contient les appareils ambulatoires qui nécessitent d’être portés comme les accéléromètres [28], les gyroscopes [101] ou une centrale inertielle qui com-bine les deux [128]. Ceux-ci enregistrent les accélérations au niveau d’une ou plusieurs parties du corps pour détecter le changement brusque de vitesse dû soit à la chute en elle-même par la perte d’altitude, soit par l’impact avec le sol ou soit par un changement brusque de l’angle du thorax. Seulement ces appareils nécessitent d’être portés, ce qui peut parfois être considéré comme intrusif dans les habitudes de vie de la personne.

L’autre groupe est constitué du reste des appareils qui sont installés de manière fixe dans l’habitat de la personne. Les évènements recherchés sont, par exemple, l’impact avec le sol comme le font Alwan et al. dans [12] ou encore Zigel et al. qui y adjoignent l’information sonore dans [171]. Seulement dans le cas de chutes lentes, par exemple à partir d’une chaise, les auteurs précisent que la sensibilité de leur système est insuffisante. Enfin Li et al. dans [102] ne se basent que sur le son de l’impact pour détecter la chute.

Nyan et al. dans [127] ont utilisé un système de capture de mouvement classique avec des repères placés sur la cuisse, la ceinture et le thorax pour venir détecter la chute en fonction de l’angle de la cuisse avec le torse. Leur méthode arrive à détecter la chute avant l’impact, mais nécessite un système de mesure du mouvement opto-électronique comme un Vicon très coûteux.

(36)

À l’instar du développement de la vidéosurveillance, la caméra vidéo a été utilisée comme source d’information. La vidéo est principalement utilisée pour définir la position de la personne (debout, assise, allongée, ...) à partir des paramètres de la silhouette ou pour mesurer la vitesse de la personne.

La première approche consistant à analyser la position de la personne se base sur le fait que la plupart du temps la chute finit par une position allongée sur le sol comme le précise la définition de l’institut canadien d’information sur la santé [46]. Pour différen-cier cette position de toutes autres positions usuelles de la vie courante, des chercheurs [13,160,159] ont pour cela modélisé la silhouette de la personne à l’aide respectivement d’une boîte englobante et d’une ellipse. Ainsi lorsque le ratio hauteur/largeur ou respec-tivement l’orientation de l’ellipse sont anormaux tels que montrés sur la figure2.1, une chute est alors détectée.

(a) (b)

(c) (d)

FIGURE 2.1 – Exemples de détection de chute avec les caractéristiques de la silhouette. Détection d’une personne debout (a) et allongée (b) par une boîte englobante et par une ellipse (c) et (d). Source [13,160]

Seulement, dans certains cas de positionnement du corps dans l’axe de la caméra, la silhouette peut ne pas permettre la détection de la chute comme illustrée sur la figure2.2. Comme l’a décrit Wu dans [166], la vitesse est une information déterminante pour la reconnaissance de la chute. Pour mesurer cette vitesse, Sixsmith et Johnson [153] ont

(37)

37

FIGURE2.2 – Exemples de mauvaise classification de posture à partir de la silhouette. La personne est considérée comme debout par la méthode proposée utilisant l’orientation de la silhouette. Source [160]

utilisé une caméra infrarouge sensible à la température du corps. Leur méthode consiste à mesurer le mouvement de la personne en suivant les objets de températures différentes. Il détecte alors une chute lorsque la vitesse verticale est trop importante. Seulement la projection du vecteur vitesse 3D sur le plan 2D de l’image de la caméra empêche de pouvoir la mesurer précisément. Pour pallier ce problème, Rougier et al. modélisent la tête avec une ellipse pour venir retrouver l’information de profondeur et ainsi estimer la vitesse réelle de la tête. Un exemple de cette méthode est montré sur la figure2.3. Même si cette approximation de la profondeur permet de mieux estimer le vecteur vitesse 3D à partir de l’image 2D, il reste une erreur moyenne de 5%, soit 25 cm à 5 mètres de distance. Cette erreur peut rendre l’estimation de la vitesse défectueuse dans certains cas et peut empêcher la détection d’une chute.

Pour remédier à cela, Lee et Mihailidis [99] et Nait-Charif et McKenna [123] ont placé leur caméra au plafond. Leur méthode détecte la chute en mesurant la vitesse de la sil-houette ou de l’ellipse qui approxime celle-ci comme présenté figure2.4. Mais le champ de vision de ce genre de caméra reste limité et il est très difficile de mesurer une vitesse verticale à l’aide de ce genre de caméra.

Il en résulte une impossibilité de mesurer précisément une vitesse 3D avec une seule caméra du fait de la nature 2D de l’information mesurée par la caméra et une sensibilité très importante aux occultations. Il est donc nécessaire d’utiliser plusieurs caméras pour pouvoir estimer plus finement les informations spatiales propres à la chute.

(38)

col-FIGURE2.3 – Exemple du suivi de la tête et de la détection de la chute par estimation de la vitesse et de la hauteur. Source [138]

FIGURE2.4 – Exemple de fonctionnement de la détection de la chute avec une caméra de

(39)

39

laboration entre elles. Dans un premier temps, plusieurs caméras peuvent être mises à profit en fusionnant l’information de haut niveau calculée à partir de l’image de chacune des caméras pour inférer sur le résultat de détection de la chute provenant des diffé-rents points de vue. Dans ce cas le but est d’isoler l’information erronée par l’occultation. Thome et Miguet [160] intègrent les résultats d’une classification de la position de la sil-houette provenant de plusieurs caméras à l’aide d’une fusion basée sur la logique floue. Rougier et al. présentent dans [143] une méthode qui utilise une classification par un mo-dèle de mixture de gaussienne appliquée sur un indice calculé sur l’évolution du contour de la personne au cours du temps pour venir détecter une chute. La détection de la chute se fait par une méthode de vote sur le résultat de chacune des caméras.

Dans un deuxième temps, l’information de base est échangée entre les caméras pour combler les zones occultées dans chacune des caméras, mais la décision se fait toujours à partir d’information 2D. Cucchiara et al. dans [43] utilisent une classification à modèle markovien caché basée sur les histogrammes de projection de la silhouette de la per-sonne selon l’axe horizontal et vertical de l’image pour définir la posture de la perper-sonne. Le partage d’informations entre les caméras se fait en projetant les pixels d’une des ca-méras vers l’image de l’autre à l’aide d’une projection homographique pour combler les portions occultées de la personne.

Dans un troisième temps, les informations de plusieurs caméras ont été fusionnées pour identifier des caractéristiques 3D de la position ou du mouvement de la personne. Hazelhoff et al. [75] fusionnent l’axe principal 2D de la personne dans chacune des deux caméras perpendiculaires et non calibrées pour estimer l’axe principal 3D de la personne dans la scène. Anderson et al. [14] utilisent une reconstruction 3D du volume de la per-sonne effectuée par la méthode du visual hull et une analyse floue de l’axe principal de ce volume pour détecter la chute. Seulement la possibilité de résistance aux occultations n’a été notée que dans l’article de Rougier et al. [143] et Cucchiara et al. [43], mais sans la valider.

Jusqu’à maintenant, l’occultation a toujours été un problème soulevé dans les com-mentaires sans jamais avoir été intégrée comme une problématique majeure dont l’im-pact serait clairement pris en compte lors d’une étude.

(40)

2.4

Problématique

Comment parer à ce problème de l’occultation dans le cas de l’utilisation de caméras vidéos placées ailleurs qu’au plafond. Lorsqu’une personne se retrouve masquée dans une voir plusieurs images par un objet du mobilier (table, chaise, canapé), il devient diffi-cile, voire impossible, de définir quelques paramètres que ce soit à propos de la personne. Pour résoudre ce problème, nous proposons d’utiliser plusieurs caméras comme sources d’information pour minimiser la probabilité d’occultation. Ce problème d’occultation est un problème clé qui se doit d’être étudié et résolu.

2.5

Méthode

Pour résoudre ce problème d’occultation, nous proposons d’utiliser plusieurs camé-ras. En effet, en multipliant le nombre de points de vue tout autour de la pièce, la proba-bilité qu’une partie de la personne soit totalement occultée diminue fortement. Chaque image provenant des caméras servira à reconstruire le volume de la personne. Ce volume sera l’information de base pour la détection de la chute au sol. Pour résister à l’occulta-tion, nous proposons de nous baser sur une reconstruction du volume de la personne pouvant accepter l’absence de la personne dans une des caméras.

Pour reconstruire le volume d’une personne à partir de plusieurs caméras, différentes méthodes existent déjà.

La plus évidente consiste à mimer le système binoculaire de la vision humaine. C’est le principe de la stéréovision bi ou multi-caméras dont les principales méthodes sont présentées et évaluées par Seitz et al. dans [149]. Le principe de base est de mesurer une distance entre les projections d’un même point dans deux ou plusieurs caméras. Cette distance appelée disparité permet alors, connaissant la relation géométrique entre les ca-méras, d’obtenir la position de ce point dans l’espace commun par triangulation. La mise en correspondance des projections d’un point de l’espace dans chaque point de vue se base sur l’assomption que l’apparence de ces projections soit identique quel que soit le point de vue. De plus, il est nécessaire que l’aspect des points adjacents soit suffisam-ment différent pour pouvoir être correctesuffisam-ment distingués. La figure 2.5montre que ces conditions ne sont clairement pas respectées dans le cas de l’utilisation de nos caméras. En effet, dans le cas d’une surface homogène telle que les vêtements de la personne, les points correspondants sont difficilement distinguables les uns des autres. Ceci rend ce genre de méthode inutilisable.

(41)

41

FIGURE 2.5 – Exemples d’images provenant du dataset de chute. Ces images prises au même instant montrent une personne au début de la chute, avec pour chaque caméra l’image entière et une vue rapprochée.

Il existe une autre méthode basée sur la photocohérence : la méthode du sculpteur (ou “space carving”). Celle-ci consiste à découper l’espace étudié en cube élémentaire appelé voxel. Pour chaque voxel appartenant à l’enveloppe du volume total, la position de celui-ci dans chacune des images est calculée et si la cohérence des couleurs du pixel de chaque projection est correcte, le pixel est alors défini comme occupé. Sinon il est défini comme vide et est supprimé tel que montré figure2.6(a). De manière itérative, tous les voxels appartenant à la surface externe sont alors testés et après plusieurs itérations, il ne reste que le volume minimal tel que montré figure2.6(b). Mais cette méthode itérative est particulièrement coûteuse en temps de calcul et peut être mise en difficulté par le même problème d’uniformité de couleur dans la scène.

C’est pourquoi la méthode du visual hull déjà utilisée par Anderson dans [14] va être utilisée pour reconstruire la surface de la personne. Il est possible d’utiliser la méthode nommée “Shape from Silhouette” ou encore visual hull proposée dans [97]. Celle-ci cor-respond à segmenter la zone d’intérêt corcor-respondant à l’objet dans chaque image. Ainsi en construisant une série de cônes infinis partant du centre optique et passant par le contour de chaque silhouette de chaque caméra, le volume d’intérêt se retrouve à l’inter-section de ces cônes tel que présenté dans la figure2.7. En effet, Il n’est pas nécessaire de reconstruire l’intégralité de la scène. Seul le volume de la personne sera reconstruit. De plus, la première partie de cette méthode correspondant à l’identification de la silhouette de la personne dans l’image est facilitée dans ce contexte. En effet, la personne étant en

(42)

(a) (b)

FIGURE2.6 – Exemple du principe de l’algorithme du sculpteur. (a) Groupe de voxel

ini-tial où les projections dans chaque caméra du premier voxel ont été réalisées. (b) Groupe de voxels final après application de la méthode. Source [89]

mouvement en comparaison aux autres parties de l’image, la détection de la silhouette peut se faire avec une soustraction de fond, opération peu coûteuse. La reconstruction du volume est alors immédiate à l’aide de la projection de ces silhouettes.

FIGURE2.7 – Reconstruction 3D à partir de silhouettes en utilisant la méthode du visual hull. Le volume de l’objet est issu de l’intersection d’une série de cônes formés par le centre optique et le contour de la silhouette de chaque caméra. Source Wikipédia

2.5.1 Mode de représentation du volume

Il existe deux manières de mettre en œuvre cette projection. Elles se différencient au niveau du type d’espace de données utilisé. Le premier type est une espace géométrique,

(43)

43

(a) (b)

FIGURE 2.8 – Illustration de reconstruction d’une sphère par visual hull en géométrie

computationnelle. Source Franco [57].

le second est un espace voxelique. Il est intéressant de voir comment la reconstruction du volume en cas d’occultation (c’est à dire que la contribution d’une caméra est manquante) et le calcul du volume en lui-même peut se faire avec ces deux modes de représentation.

2.5.1.1 Représentation géométrique du volume

Cette approche utilise une représentation du volume reconstruit sous forme d’un po-lyèdre géométrique comme décrit par Franco et Boyer dans [58]. Ce polyèdre est la forme spatiale issue de l’intersection des cônes géométriques formés par le centre optique de la caméra et le contour de la silhouette de chaque caméra. Le calcul de l’intersection se fait alors en utilisant des algorithmes issus de la géométrie computationnelle et donne un volume tel que montré figure2.8. Cette méthode est simple dans le cas où toutes les ca-méras sont mises à contribution. Le polyèdre final P oF inalest alors l’intersection de tous

les cônes Ci. P oF inal = i=n \ i=0 Ci

Par contre dans le cas d’une reconstruction acceptant l’occultation, l’opération est alors plus compliquée. Le polyèdre final est l’union des polyèdres reconstruits en l’ab-sence d’une caméra. En effet, dans le cas où il y a n caméras, soit P oele polyèdre issu de

(44)

1 2 3 4 2-3-4 1-3-4 1-2-4 1-2-3 1-2-3-4 Projection des silhouettes Intersection des groupes

de silhouettes

Po

e

Po

Final

FIGURE2.9 – Illustration d’intersections de polygones. Le polygone final P oF inal est égal

à l’union des 4 polygones issus des intersections de 3 triangles.

l’intersection de toutes les caméras sauf la caméra e. Le polyèdre P oF inalse calcule alors :

P oe= n \ i=0,i6=e Ci P oF inal = n [ e=0 P oe

La figure2.9permet de visualiser le problème dans le plan pour faciliter la représen-tation.

Comme le volume d’un polyèdre général n’a pas de formule algébrique, le calcul se fait alors en plusieurs étapes. Le volume d’un trièdre étant connu algébriquement, une décomposition du volume final en trièdre est réalisée en premier lieu. Puis la somme des volumes de tous ces trièdres est réalisée permettant ainsi d’obtenir le volume final.

2.5.1.2 Représentation voxelique du volume

Pour l’approche voxelique, l’espace de la scène est découpé en petites unités de di-mension choisie nommées voxels. Pour réaliser la reconstruction du volume de la per-sonne par la méthode de projection de silhouette, chaque voxel est projeté dans l’image de chaque caméra. Dès lors que toutes les projections se trouvent dans la silhouette de la personne dans chaque caméra, le voxel est défini comme occupé, sinon il est vide.

Dans le cas où il est nécessaire d’être robuste à l’occultation, il suffit d’utiliser la mé-thode “Extended Shape from Silhouette“ proposée dans [113]. Celle-ci consiste à compter le nombre de caméras où le projeté du voxel appartient à la silhouette de la personne. Si cette somme est supérieure au nombre de caméras voulu alors le voxel est défini comme occupé.

(45)

45

Le calcul du volume est immédiat en sommant le nombre de voxels décrits comme occupés.

2.5.2 Discussion du choix de représentation du volume

Chacune de ces deux méthodes a ses avantages et ses inconvénients. La méthode uti-lisant une représentation géométrique utilise peu de points contrairement à la méthode voxélique, mais les algorithmes mis en œuvre sont complexes et sensibles aux erreurs d’arrondis. De l’autre côté, la représentation voxélique traite beaucoup de points, mais le traitement est plus évident. Nous avons donc fait le choix de la représentation voxelique pour plusieurs raisons. Elle semble plus adaptée à la problématique de reconstruction avec un nombre variable de caméras. Le calcul du volume est plus simple et efficace. Elle est plus rapidement maîtrisable et sa parallélisation sur carte graphique permet d’at-teindre les contraintes de temps réel.

2.5.3 Le calibrage

Pour pouvoir calculer les coordonnées du projeté d’un voxel dans l’image d’une ca-méra, il est nécessaire de modéliser le comportement de la caméra. Le modèle le plus utilisé est celui du sténopé (“pin-hole” en anglais). Celui-ci se décompose en deux par-ties. D’abord la transformation d’un point 3D à partir de ses coordonnés dans le repère de la scène vers celui de la caméra à l’aide des paramètres externes qui relient le repère du monde à celui de la caméra. Puis la projection des points 3D dans le plan image de la caméra à l’aide des paramètres internes. Les paramètres externes sont composés des élé-ments classiques d’un changement de repère : une matrice de rotation R et un vecteur de translation T. Les paramètres internes modélisent des éléments physiques de la caméra : la focale de la lentille f en millimètre, dx et dy les dimensions horizontales et verticales des pixels en millimètre, les coordonnés de projection de l’axe optique sur le capteur de la caméra c(cx, cy)en pixels.

La mise en œuvre du calcul des coordonnés de la projection x = (xp, yp)dans l’image

de la caméra d’un point X ayant pour coordonnées dans l’espace (X, Y, Z) se fait de la manière suivante :

Soit Xc= (Xc, Yc, Zc)la position dans le référentiel de la caméra

(46)

Donc ceci intégré avec le modèle projectif du sténopé, nous avons l’équation suivante :        s.xp s.yp s        =       f /dx 0 cx 0 0 f /dy cy 0 0 0 1 0                 Xc Yc Zc 1           (2.2)

2.5.3.1 Calibrage des paramètres des caméras

Pour obtenir les paramètres d’une caméra, plusieurs méthodes existent. Les premières méthodes comme celle proposée par Tsai dans [161] utilisent un objet de référence tridi-mensionnelle. Un aperçue de ce type d’objet est montré par la figure 2.10. Seulement la construction précise de ce genre d’objet est difficile et son utilisation est quelque peu rendue difficile par son poids et son encombrement. C’est pourquoi plusieurs méthodes, telles que celle de Zhang relatée dans [169], se sont orientées vers une mire planaire. Pour cela, plusieurs images d’un échiquier orienté selon différents angles sont utilisées comme il est montré sur la figure2.11. Une autre méthode se base sur un objet linéaire comme le propose Zhang dans [170]. Toutes ces méthodes nécessitent une information sur les positions des points de l’objet de référence. Certaines méthodes comme l’autocalibrage décrit par Hartley dans [72] et Faugeras dans [52] se servent de couples de points issus d’images d’une même scène, mais pris sous différents angles pour réaliser cette étape de calibrage.

Nous avons retenu la méthode planaire du fait qu’elle soit disponible sous différentes plateformes (Matlab et C) et qu’elle permette d’atteindre la précision nécessaire.

2.5.3.2 Correction de la distorsion

Le modèle de caméra projectif approxime au mieux le comportement d’une caméra. Certaines déformations ne sont pas considérées dans ce modèle comme celles de la dis-torsion. Celle-ci se décompose en deux formes de perturbations telles que présentées par Weng dans [164], la distorsion radiale et la distorsion tangentielle. La première peut prendre les formes caractéristiques de barillets ou de coussinets si le paramètre de la distorsion radiale est positif ou négatif. Ces deux déformations sont représentées sur la figure2.12(2). La deuxième distorsion, dite tangentielle, est montrée sur la figure2.12(3). Tsai a montré dans [161] que la distorsion tangentielle est mineure devant la distor-sion radiale. Ceci justifie que la distordistor-sion tangentielle peut donc être négligée devant

(47)

47

FIGURE2.10 – Illustration d’une mire de calibrage 3D. Source [49]

FIGURE 2.11 – Illustration de l’utilisation d’un damier pour le calibrage d’une caméra. Source [2]

la distorsion radiale. Les paramètres de distorsion peuvent y être introduits de la même manière que proposée par Heikkila dans [76]. La projection normalisée (xn, yn)du point

Xest :    xn yn   =    Xc/Zc Yc/Zc    (2.3)

Cette correction de la distorsion prend la forme suivante :

   xd yd   = Ä 1 + k1rn2 + k2r4n+ k5rn6ä    xn yn   +    dx dy    (2.4)

(48)

(1) (2) (3)

FIGURE2.12 – Illustration de la paramétrisation de la distorsion radiale et tangentielle en

(1) et de leurs effets respectifs sur l’image en (2) pour la distorsion radiale ((2)(a) pour la déformation négative, (2)(b) pour la distorsion radiale positive) et l’image (3) pour la distorsion tangentielle. Source Weng dans [164]

Où le vecteur de distorsion radiale vaut :

   dx dy   =    2k3xnyn+ k4 3x2n+ yn2  k3 x2n+ 3yn2  + 2k4xnyn    (2.5)

Finalement, en multipliant ces nouvelles coordonnées normalisées avec la matrice de la caméra on obtient les coordonnées du pixel intégrant la distorsion.

   xp yp   =    f /dx 0 cx 0 f /dy cy          xd yd 1       (2.6) 2.5.4 Mise en œuvre

Pour la réalisation des montages expérimentaux, la méthode planaire a été utilisée avec le toolbox de calibrage de caméra pour Matlab [26]. Cette démarche nous a permis d’obtenir les paramètres internes et externes de chaque caméra.

On obtient alors la scène entièrement calibrée telle que montrée figure2.13. Pour per-mettre la reconstruction du volume à l’aide du visual hull maintenant que les paramètres de calibrage sont connus, il est nécessaire de pouvoir isoler la personne à l’aide de la segmentation avant/arrière-plan.

Cette opération consiste à définir si un pixel d’une image appartient à l’avant-plan (c’est à dire la personne) ou à l’arrière-plan. Dans notre étude, l’objectif étant de se fo-caliser sur l’occultation, les paramètres d’éclairage et de fond ont été ajustés pour être

(49)

49

FIGURE 2.13 – Illustration du positionnement des caméras du montage expérimental multi-caméras pour la détection de la chute. Source [20].

stables. Donc une segmentation utilisant une méthode par soustraction de fond a été uti-lisée pour isoler la silhouette de la personne. Le modèle de fond utilisé est une image médiane calculée au début de chaque vidéo. Une opération de morphologie mathéma-tique telle qu’une ouverture est alors appliquée pour affiner le résultat. Un exemple de segmentation est présenté sur la figure3.3.

2.6

Conclusions

Ce chapitre a permis de montrer l’intérêt de détecter la chute à domicile. Dans ce contexte, l’utilisation de caméra vidéo permet à la personne d’être en sécurité sans avoir à porter un quelconque appareillage et d’apporter la possibilité au personnel médical de valider la chute en cas d’alarme pour éviter le départ d’une équipe en cas de fausse alarme. Dans ce cadre-ci, la problématique de la résistance à l’occultation est cruciale et nécessite d’être investiguée. Ceci est l’objectif que nous nous proposons de résoudre, avec les méthodes choisies pour les raisons explicitées tout au long de cette partie, au travers de l’article présenté dans le chapitre suivant.

(50)
(51)

51

Chapitre

3

Détection de la chute avec un système

multi-caméras résistant aux

occultations

Sommaire 3.1 abstract . . . 54 3.2 Introduction . . . 54 3.3 Method . . . 57 3.3.1 Camera level . . . 57

3.3.2 Data fusion level . . . 61

3.3.3 Fall detection level . . . 62

3.4 Materials and experiments . . . 63

3.4.1 Experimental set-up . . . 64 3.4.2 Fall scenarios . . . 64 3.4.3 Data analysis . . . 65 3.4.4 Statistical analysis . . . 67 3.5 Results . . . 68 3.5.1 VVDR behavior . . . 68 3.5.2 Real-time implementation . . . 69 3.6 Discussion . . . 69 3.7 Conclusions . . . 74

(52)
(53)

53

Article

Fall Detection With Multiple Cameras : An

Occlusion-Resistant Method Based on 3-D

Silhouette Vertical Distribution

Auteurs

Edouard Auvinet, Franck Multon, Alain Saint Arnaud, Jacqueline Rousseau, Jean Meunier

(54)

3.1

abstract

According to the demographic evolution in industrialized countries, more and more elderly people will experience falls at home and will require emergency services. The main problem comes from fall-prone elderly living alone at home. To resolve this lack of safety, we propose a new method to detect falls at home, based on a multiple cameras network for reconstructing the 3D shape of people. Fall events are detected by analyzing the volume distribution along the vertical axis, and an alarm is triggered when the major part of this distribution is abnormally near the floor during a predefined period of time, which implies that a person has fallen on the floor. This method was validated with vi-deos of a healthy subject who performed 24 realistic scenarios showing 22 fall events and 24 cofounding events (11 crouching position, 9 sitting position, 4 lying on a sofa position) under several camera configurations and achieved 99.7% sensitivity and specificity or better with 4 cameras or more. A real-time implementation using GPU reached 10 frames per second (fps) with 8 cameras and 16 fps with 3 cameras.

3.2

Introduction

When approaching 65 years old, the risk of falling is rising. Indeed 30 percent of people over 65 and living in the community fall each year, and a fifth of fall incidents require medical attention [51]. Hence, falling is the most common cause of injury for elderly people [64]. It was the first cause of death by injury for elderly in 1997 and 1998 [80, 120]. Although most of the falls result in light injuries, 5% to 10% of falls in community-dwelling lead to serious injuries such as fractures, head injuries, or serious lacerations [60,92]. An example of such injuries is hip fracture. Moreover 25% to 75% of "fallers" do not recover their pre-fracture level of movement and autonomy [105]. Besides, fear of falling appears and/or increases after falling which could increase the risk factor for future falls and reduce the quality of life [60]. This fall problem becomes more impor-tant for elderly people living alone because they cannot always call emergency services. Hence, many recent works have tried to develop easy-to-use and automatic techniques to detect falls in elderly people’s houses [28,91,86,141,162,14,43,112,142]. The key ques-tion is : how to detect that a person has fallen in a house which contains many objects and where people can perform a wide range of activities ?

Indeed, one of the key problems is to recognize a fall among all the daily life ac-tivities. A description of the various phases of falling have been proposed in previous

Figure

Fig 3.1 . Left : classical method. Right : occlusion-resistant method presented in this paper.

Références

Documents relatifs

Pour cela, des r´esidus structur´es sont utilis´es pour d´etecter et localiser des d´efauts multiples en utilisant le principe de reconstruction des variables et leur projection dans

Dans ce sens, l'ACP peut être considérée comme une technique de minimisation de l'erreur quadratique d'estimation ou une technique de maximisation de la variance

Afin d’appliquer la démarche présentée précédemment à l’identification de la diffusivité thermique d’un revêtement intumescent dans son état initial (couche

Un ensemble de N microphones est fixé dans la pièce où l’on souhaite effectuer la détection de chute supposée être associée à une émission sonore.. Les microphones

Après avoir présenté dans l’état de l’art la modélisation avec UML, les ontologies des services web OWL-S et la transformation de modèles, nous présentons

economic and territorial expansion. Several factors influenced this expansion one was a desire to secure overseas markets for the country’s industrial and agricultural

اخم و حنج( طقف نيفرتحم ةاضق نم ةنوكملا مكحلا تاهج نيب زييمتلا بجي و )تافل و م يفف ,)تايانجلا ةمكحم( نيفلحم نييبعش ةاضق و نيفرتحم ةاضق نم ةنوكملا

Pour garder l’exemple de l’aide sociale, l’article 57, § 2, de la même loi a bien vite créé une dignité humaine au rabais : « Par dérogation aux autres dispositions de